Ich hab gerade 6 Monate Selbststudium geschafft.
Es gibt zwei kostenlose Seiten, die ich kenne und die genau das machen, was ich mag... pornworks und perchance. Die sind verdammt genau und leistungsfähig, solange man lernt, richtig zu prompten. Das war mein erster Schritt. Als die Online-Webapps mir endlich das lieferten, was ich wollte, war ich mit dieser Erkenntnis zufrieden. Ich sage nicht, dass es nichts mehr zu lernen gibt, es gibt tonnenweise zu lernen, und ich fange gerade erst an. Ich benutze also einfache, gut geschriebene Sätze, um die allgemeine Idee in ein oder zwei Sätzen zu beschreiben. Danach liste ich Details auf und nutze Schlüsselwörter, durch Komma getrennt, zum Beispiel.
Dann wollte ich mehr über die Technik lernen, also hab ich mir für 150 $ eine gebrauchte EVGA GTX 1080TI bei ebay geholt. Läuft perfekt für kleine Modelle und hält mein Budget schön niedrig. Ich sehe keinen Sinn darin, mehr als den Ladenpreis zu zahlen, egal wie gut eine GPU ist oder wie neu die Generation. Ich hab LUMO als Hilfe benutzt und ihm die (vermeintlich guten) Fragen gestellt, die ich brauchte, um zu lernen, was ich vorhatte. Ich fahre 32 GB RAM, alles DDR4, supergünstig. NVME für ein schnelles System, aber für große Modelle / Lora-Backups nutze ich zusätzliche Laufwerke.
Mit der Hardware im Rücken wollte ich etwas über LLMs lernen und welche Begriffe ich lernen, kennen und verstehen muss, um mich im "Ökosystem" zurechtzufinden. Bedenkt den Umfang: Ich lerne im Moment nur Bildgenerierung, meine Fragen sind also ziemlich spezifisch. Aber tatsächlich hab ich mit textbasierten LLMs angefangen, ich lasse LM studio lokal laufen, mit einem schönen Modell, das super in Mathe und Naturwissenschaften, historischen Aufzeichnungen usw. ist, es kann coden und ist SEHR gut darin. Ich nutze das Modell Qwen3.5 9B Uncensored HauhauCS Aggressive, falls es jemanden interessiert. Ist gut genug für den Anfang, denke ich.
Damit und mit LUMO konnte ich lernen, was Frameworks, Workflows, Nodes, comfy UI sind, lokal vs. nicht lokal, der Unterschied zwischen Text-LLMs und Bild-Modellen... Als ich eine grundlegende Vorstellung hatte, hab ich etwa einen Monat lang youtube-Videos geschaut, nur um zu sehen, was andere machen, und ehrlich gesagt hat mir das hier nicht so viel gebracht, weil die meisten Leute, die Guides machen, zu alte Videos hatten oder sich die Software geändert hatte und ich Fehler bekam, wenn ich mitgemacht habe, und noch wichtiger: Sie waren zu fortgeschritten und haben die absoluten Grundkonzepte, die mir fehlten, nicht erklärt.
Also blieb ich bei den Text-LLMs, installierte comfy UI und lud mein erstes Modell von RED-CIVIT.AI, ein SD 1.5 Modell, damit alles klein und einfach für meine GPU bleibt und auch der Workflow. Es ist nicht so überwältigend, wie ich zuerst dachte, aber nur, weil ich bei den einfacheren Maps, also Workflows, geblieben bin. Ich benutze nur die nötigen Nodes und habe nichts Ausgefallenes laufen. Ich hatte auch keine Erwartungen an den Output. Ich hab einfach Bugs, Software- und Installationsprobleme umschifft, mich eingearbeitet und meistens LUMO benutzt, weil es ins Web kann und aktueller ist: Es holt die neuesten Updates, Patches, Änderungen usw.
Den Großteil meiner Zeit hab ich bisher damit verbracht, die Umgebungen auf meinem Computer richtig aufzusetzen und alles organisiert zu halten. Als das einfachste Setup lief, konnte ich anfangen, mehr über Nodes zu lernen und über die Bugs, die ich beim Kopieren von fremden Workflows hatte (das war übrigens ein Albtraum, wenn es komplex war), also hab ich weiter LUMO benutzt, um da durchzukommen, und nur die Nodes verwendet, die man zum Generieren in SD 1.5 braucht. Ich hab so 5 - 8 Nodes oder so, wenn ich mich recht erinnere, äh, den mit der Lora glaub ich. Vielleicht 6 Nodes nur für Text zu Bild? Ich kann gerade nicht nachsehen, ich trainiere nämlich gerade in diesem Moment eine Lora.
Weiter im Text: Als SD 1.5 saß, hab ich mehr über die verschiedenen Modelle gelernt, was LORAs sind und Stile oder Themen. Auf Civit.AI sieht man ziemlich leicht, was man bekommt, und es ist gut organisiert, deshalb bin ich dort geblieben. Ich hab herausgefunden, welche Modelle und Loras auf meiner GPU laufen, und hab ein paar Modelle für die paar verschiedenen Architekturtypen geladen, die es gibt: pony, krea2, SD 1.5, SDXL, Illustrious und so weiter, und für jeden davon ein paar Loras, nur ein paar, mit sauberen, organisierten Verzeichnissen in einem funktionierenden VENV – das ist für python unter linux.
Dann hab ich die einfachsten Workflows für jeden Modelltyp gelernt und gespeichert – mit / ohne Lora, mit / ohne Bild-Input neben dem Text. Jetzt kann ich jedes dieser Modelle mit und ohne Loras benutzen, um aus Text ein Bild zu generieren. Nicht zu vergessen, dass ich verschiedene Wege gelernt habe, den Output zu steuern, wie UNET, Text-Encoder, vae und Custom Nodes.
Dann wollte ich eine Character-Lora trainieren, also hab ich mich daran gesetzt und wieder LUMO als Führer genommen, weil es Netzzugang und aktuelle Infos hat. Ich hab das Trainings-Framework kohya_ss installiert und zum Laufen gebracht, Verzeichnisbaum organisiert usw... und heute Morgen verarbeite ich meine V2-Character-Lora. Heute Morgen hab ich zum ersten Mal meine eigene Lora benutzt, die ich die ganze letzte Nacht trainiert hab. Hat 10 Stunden gedauert. Nicht schlecht, dachte ich. Also hab ich wieder gefragt, wie ich das nach dem Testen und Benutzen dieser Lora verbessern kann. Sie funktioniert punktgenau, aber sie ist stark, tatsächlich zu stark, und hat wenig Flexibilität.
Ich hab am ursprünglichen Trainingsbefehl ein paar Anpassungen gemacht und lasse jetzt ein Training laufen, das eine flexiblere Lora mit demselben Dataset erzeugen soll.
Das hab ich noch nicht erwähnt, aber ich musste lernen, ein Dataset zu erstellen und zu verarbeiten, bevor ich die Lora trainieren konnte... das gehört einfach zum Prozess. Es gibt natürlich endlos viele Wege, das zu machen, aber ich hab einen einfachen Ansatz gewählt, der mir die Kernkonzepte beibringt, und ich benutze außerdem CLI statt GUI, um mehr Erfahrung mit dem Terminal zu bekommen. Es ist flüssiger und besser kontrollierbar, mit Feinjustierung, aber am Anfang etwas komplizierter einzurichten. Man kann windows und kohya_ss nutzen, aber das ist eine GUI und ich benutze KEIN windows, schon seit über 10 Jahren nicht mehr. Ich geh da nicht zurück.
Trotzdem bin ich mit meinem Fortschritt sehr zufrieden, weil ich nicht auf schlechte Ratschläge anderer höre, wenn es darum geht, KI als Guide zu nutzen. Ich frag Leute, und alle scheinen ziemlich negative Meinungen über KI zu haben, und ich kann verstehen warum. Mir sind die KI-Farmen der Industrie auch nicht so lieb, weil sie massig Strom verbrauchen, ich nutze lieber lokal, wo es geht. Gebt einfach nicht auf, benutzt ein Tool, lernt es gut und packt immer mehr Tools in eure Werkzeugkiste. Beachtet alles, was jemand sagt, und seid nicht voreingenommen, sonst verpasst ihr vielleicht etwas, das euch nützen könnte, wenn ihr nur nicht weggeschaut hättet.
Ihr werdet finden, was für euch funktioniert, und das ist mein Rat.
Bearbeitet wegen Grammatik oder Rechtschreibung usw.
